突发，DeepSeek重磅开源核心推理引擎 - LOL下注

突发！DeepSeek正式开源其核心推理引擎

“源神归来！”

就在刚才，DeepSeek再次发布重磅消息，全面开源其自研推理框架DeepInfer。

一个集群每天可处理155万亿Token，DeepSeek V4.1 Flash实现高吞吐、低延迟的大规模推理，正是依赖这一系统。

开源地址：https://github.com/deepseek-ai/DeepInfer 以及 https://github.com/deepseek-ai/deepseek-recipe

一同发布的，还有生产级Token编解码组件deepseek-recipe。

英伟达SM100 GPU和华为昇腾950 NPU，均在其支持硬件之列。

DeepSeek还在知乎发布了技术长文，并在GitHub上提供了一份部署问答，从架构设计到部署细节，全面介绍了这一系统。

根据官方公布的线上数据，平均每个请求输入77K Token，首个Token平均只需400毫秒即可生成。在生成阶段，每秒可输出230个Token，编写代码时最高可达300个。

平均96%的输入能直接命中缓存，无需重新计算。

按谷价计算，平均每张卡每小时的收入为38美元。

如今，全球都能看到DeepSeek如何让大模型高效地投入实际应用。

DeepSeek研究员Deli Chen更是放出豪言。

“开源与闭源。光明与黑暗。两种未来、人类两种命运之间的决战。他们想打多久，我们就打多久，直到取得完全胜利。”

评论区里，开发者们一片欢腾。

正如网友所说，模型开源已成“基本操作”，如今连推理引擎也开源，格局直接拉满。

此前，DeepSeek已开源一系列大模型、用于开发高性能算子的TileLang以及多个推理算子库。

这一次，从请求进入系统到输出答案的每一步，DeepSeek都详细公开了如何节省算力。

一个请求，兵分两路

模型处理一个请求分为两步。第一步是Prefill，模型一次性读取系统提示、聊天记录、文件和问题，每个Token在每一层都会生成一组中间结果，即KV缓存。

第二步是Decode，模型逐个Token生成答案，每生成一个Token，都需使用之前所有的KV缓存。

这两步消耗的资源截然不同。Prefill一次性处理数万个Token，主要依赖算力。

Decode每次只生成一个Token，大部分时间用于从显存中读取参数和缓存。

因此，DeepSeek将这两步拆分到不同的机器上执行。Prefill使用常见的8卡机器，Decode则使用64到128卡的超节点。

如果请求包含图片，会先由独立部署的图像编码服务处理。

实践中，两端所需的显卡数量大致为1比1。根据官方建议，要实现高效运行，最小部署单元为64卡Prefill加上64卡Decode。

官方API的逻辑，也一并开源

请求进入系统后，首先经过deepseek-recipe处理。

目前主流的API格式有三种：OpenAI的Chat Completions和Responses，以及Anthropic的Messages。

deepseek-recipe将它们统一转换为同一种对话格式，然后根据模型版本拼接prompt并编码成Token。模型输出的Token也由它翻译回各家的格式，并进行流式返回。

它还顺手堵住了一个漏洞。DeepSeek的模型依赖一批特殊Token来标记对话结构，例如用户发言的起始点、思考过程的结束点、以及何时调用工具。

96%的输入，无需重复计算

Agent每次调用工具时，都需要将系统提示、工具说明，连同之前每一轮的回复和工具结果，整个重新发送给模型。

其中绝大部分内容，上一轮已经计算过。

DeepSeek的做法是，将计算过的KV缓存存储下来，下一轮只计算新增的部分。前提是前缀必须从第一个Token起完全一致，中间重复的内容无法复用。

效果有多显著？同一张卡运行Prefill，如果不算缓存命中，每秒处理6万个Token。

算上缓存命中，每秒可达150万个，性能相差整整25倍。

这些缓存全部存放在DeepSeek自家的3FS存储集群中，容量约为100PiB，全部采用固态硬盘。Agent流量的缓存保留3天，聊天流量的缓存保留7天。

聊天流量保留更长时间，是因为少数缓存会被多次反复读取，一旦丢失，整体命中率会显著下降。根据DeepSeek的经验，聊天流量如果只保留3天，命中率会下降0.5%到1%。

缓存单独存放在存储集群中，任何一台Prefill机器都能读取任何一段缓存，用户无需被绑定在上次使用的机器上。而且，计算机器的故障率比存储高一个数量级以上，即使机器出现故障，缓存依然安全。

未命中缓存？只需补算128个Token

V4.1 Flash的部分层采用了滑动窗口注意力机制（SWA），每个Token只关注离自己最近的128个Token。

注意力计算也仅在这128个Token内进行，从而得到一份近似的窗口缓存。重算成本因此变为一个常数，无论上下文多长、模型有多少层，都不受影响。

同样的方法还应用于模型的其他20层。这20层每次Prefill都需要重建窗口缓存，原本需要计算最后2560个Token，现在只需计算128个，Prefill的总计算量因此减少了近一半。

一步生成多个Token

进入Decode阶段，模型每计算一步，原本只能生成一个Token。

DeepSeek自研的DSpark又向前迈进了一步。它先估计每个猜测被接受的概率，对概率低的猜测直接跳过验证，将验证算力留给其他请求。

与固定验证5个Token的方案相比，线上吞吐量提升了6%。

在两步计算之间，CPU需要排布下一步的请求、处理上一步的结果，GPU原本只能空闲等待。DeepInfer让两者同时工作，GPU计算第N步时，CPU已经在排布第N+1步。

这套组合方案使得线上Decode阶段每张卡每秒能生成1.4万个Token。

384个专家，分摊到64张卡上

V4.1 Flash是MoE模型，内部包含多组“专家”参数，每个Token只会用到其中几组，仅路由专家就有384个。

在Decode阶段，DeepSeek将这些专家分摊到64张卡上，每张卡放置6个，并额外放置1个热门专家的副本，共计7个。每张卡上的专家越少，每一步需要从显存中读取的参数就越少，同等数量的显卡就能处理更多请求。

官方离线测试显示，64卡一组运行Decode，每张卡每秒最多可输出2.6万多个Token。

热门专家的副本会动态调整，每1000步统计一次负载，每10000步重新分配。线上实测显示，负载最高的那张卡仅比平均水平高出9%。

请求分配同样需要均衡。Prefill根据输入长度分为4档，每档分配的机器数量根据上一轮的需求动态调整。

Decode则同时关注每张卡上的请求数和缓存总长度，短请求分配给请求少、缓存长的卡，长请求则分配给缓存短的卡。

通过这套调度机制，系统整体性能可达到离线测试中完全均衡状态的80%左右。

就连跨机房部署，DeepSeek也在问答中给出了答案。V4.1 Flash大幅压缩了KV缓存，跨机房部署在技术上可行，每8张卡配约400Gbps的互联带宽即可，但可能会牺牲可靠性，因为“跨机房的光纤容易被挖断”。

DeepSeek自己的推理节点，就放置在相邻的不同机房中。

降低智能的价格

此次开源的DeepInfer采用Apache 2.0协议，deepseek-recipe采用MIT协议。DeepInfer目前支持V4.1 Flash，最初主要基于vLLM搭建，并参考了SGLang和TensorRT-LLM。

开源版本目前提供的是离线推理。KV缓存管理和负载均衡功能由于与内部基础设施深度绑定，代码暂时未完全开源，但设计细节已在长文和问答中详细阐述。

DeepSeek此次分享内部部署经验，主要目的是降低算力成本、减少能源消耗，让更广泛的人群能够用得起智能。

接下来，DeepSeek新模型的推理代码和性能优化，都将在DeepInfer中持续开源。

从模型、TileLang、算子库，到推理框架和API编解码，DeepSeek的开源已从模型本身，一路延伸至每天处理155万亿Token的线上服务。

此次官宣，DeepSeek使用的标题是“走向真正普惠的未来”。

本文来自微信公众号“新智元”，作者：ASI启示录，36氪经授权发布。